INTRODUCCIÓN A BUSINESS

INTELLIGENCEIDE-CESEM

ABRIL 2015

2

PRESENTACIÓN

• Diego Martín Fernández

• Ingeniero Superior en Informática (UEM)

• Dirección y Gestión Estratégica de Proyectos (IE Business School)

• Aprendizaje Estadístico y Data Mining (UNED)

• Responsable de Business Intelligence

• QDQ Media

• Grupo EULEN

• AGS Group

• Contacto:

• linkedin.com/in/dmfdez - dmfdez@gmail.com

ABRIL 2015

3

ÍNDICE

• Introducción

• Business Intelligence

• Data Warehouse

• Business Analytics

• Visualización de Datos

ABRIL 2015

4

INTRODUCCIÓNPasado, presente y futuro del Business Intelligence

ABRIL 2015

5

HISTORIA DEL BI

• El término Business Intelligence fue acuñado por Gartner Group a finales de los 80’s.

• Sin embargo, el concepto es mucho más antiguo y sigue evolucionando

• 1970’s - MIS reporting - static/periodic reports

• 1980’s - Executive Information Systems (EIS)

• 1990’s - OLAP, dynamic, multidimensional, ad-hoc reporting

• 2010’s - Data/Text/Web Mining; Web-based Portals, Dashboards, Big Data, Social Media, and Visual Analytics

• 2020’s - …

ABRIL 2015

6

ACTUALIDAD

• Compañías en mercados hipercompetitivos.

• Los clientes son más exigentes, mejor informados y demandan productos personalizados.

• Las empresas necesitan conocer mejor al cliente para saber cual es su fuerte y potenciarlo.

• Customer Intelligence

• Maketing Intelligence

• Social Business Intelligence

• …

ABRIL 2015

7

FUTURO

• Data Discovery

• Real Time Data

• Big Data

• Social Business Intelligence

• Modelado descriptivo, predictivo y prescriptivo

ABRIL 2015

8

BUSINESS INTELLIGENCEIntroducción al Business Intelligence, del dato al conocimiento.

ABRIL 2015

9

DEFINICIÓN

• Business intelligence (BI) es un término genérico que incluye las aplicaciones, la infraestructura y herramientas y las mejores prácticas que permitan el acceso y el análisis de la información para mejorar y optimizar las decisiones y rendimiento.

ABRIL 2015

10

DEL DATO AL CONOCIMIENTO

Dato Información Conocimiento

ABRIL 2015

11

DATO

• Hechos objetivos y discretos sobre eventos.

• Registros estructurado de operaciones.

• Muchos datos pueden hacer difícil identificar y dar sentido a los datos que importan

• Los datos sólo describen una parte de lo que ocurre, no proporcionan significado, juicio o interpretación.

• Gestión del Dato:• Velocidad, coste y capacidad• Relevancia y claridad

• El dato es la fuente de origen para la toma de decisión pero no puede decirnos que hacer.

ABRIL 2015

12

INFORMACIÓN

• Convierte los datos en útiles para decidir y/o realizar una acción.

• La información es definida como datos que son dotados de un sentido y un propósito.

• La información nos permite responder a preguntas como:

• ¿Quién?

• ¿Qué?

• ¿Cómo?

• ¿Cuándo?

• ¿Donde?

ABRIL 2015

13

INFORMACIÓN

Medir

Comparar

Reportar

Analizar

Predecir

Avisar

Experimentar

Colaborar

Recompensar

Saber

ABRIL 2015

14

CONOCIMIENTO

• Finalmente, el conocimiento se define habitualmente como información que ha sido procesada, organizada y estructura de alguna manera o que ha sido aplicada a una acción.

• En las organizaciones, a menudo se convierte implícito no sólo en documentos o repositorios sino también en rutinas organizativas, procesos, prácticas y normas.

• El conocimiento puede ser visto como

• Proceso: aprendizaje organizacional

• Stock: conocimiento

ABRIL 2015

15

¿PARA QUE NOS SIRVE EL BI?• Impacto de una campaña.

• Conocer a nuestros clientes

• ¿Cómo y qué compran?

• ¿Dónde suelen hacerlo?

• ¿A qué horas?

• Rendimiento de nuestro proceso de venta.

• Rendimiento de nuestro proceso de postventa.

• …

ABRIL 2015

16

TIPO DE PROYECTOS

• Sistema MDM (Master Data Management)

• Sistema Data Warehouse

• Procesos ETL

• Construir sistemas OLAP

• Diseñar Informes y/o cuadros de mando

• Business Analytics

• Big Data

ABRIL 2015

17

ARQUITECTURA “TRADICIONAL” BI

ERP

Social

Otras

Excel/CSV

CRM

ETL

Informes

Analítica

KPI

Cuadros de Mando

Data Warehouse

RRHH Ventas

Marketing

Datamarts

ABRIL 2015

18

COMPONENTES DE UN BI

•Un sistema de Business Intelligence tiene 4 componentes principales:

• Un Data Warehouse, es un gran repositorio de datos históricos bien organizados.

• Business Analytics, es una colección de herramientas para manipular, explotar y analizar los datos del Data Warehouse.

• Business Performance Management permite monitorizar, medir y analizar los KPIs definidos.

• Un Interfaz de Usuario (e.g., dashboard) , nos permite acceder y trabajar con las herramientas de BI.

ABRIL 2015

19

INFORMACIÓN EN UNA ORGANIZACIÓN

ABRIL 2015

20

BUSINESS INTELLIGENCE VS BIG DATA

Business Intelligence

Big Data

Información Conocida

Preguntas que no puedes responder

Preguntas que puedes responder

Información Desconocida

ABRIL 2015

21

BIG DATA

• Big Data es la información de gran volumen, de alta velocidad y/o de gran variedad que exige formas rentables e innovadoras de procesamiento de la información para mejorar la comprensión y la toma de decisiones.

ABRIL 2015

22

3 4 5 V’S DEL BIG DATA

Big Data

Volumen

Velocidad

ValorVeracidad

Variedad

ABRIL 2015

23

APLICACIONES BIG DATA

ABRIL 2015

24

BENEFICIOS DEL BUSINESS INTELLIGENCE• Mejorar los procesos de gestión

• planificación, control, medición y / o cambiar lo que resulta en un aumento de los ingresos y reducción de costos.

• Mejorar los procesos operativos

• la detección de fraudes, procesamiento de pedidos, compras .. resultando en mayores ingresos y menores costos.

• Predecir el Futuro

ABRIL 2015

25

¿POR DONDE EMPEZAMOS?• Analizar nuestras fuentes de datos:

• CRM (Customer Relationship Management):

• Cliente

• Productos

• Campañas

• Actividades

• ERP (Enterprise Resource Planning)

• Facturación

• Costes

• …

ABRIL 2015

26

EVOLUCIÓN DEL CRM

ABRIL 2015

27

ESQUEMA CRM TÍPICO

ABRIL 2015

Clientes

Oferta

Contrato Actividad CampañaProductos

28

DATA WAREHOUSEIntroducción a Data Warehouse y procesos ETL

ABRIL 2015

29

DEFINICIÓN

• Un Data Warehouse es un sistema de almacenamiento diseñado para contener los datos extraidos en los sistemas transaccionales, de los sistemas operativos y de fuentes externas.

• Un Data Mart contiene datos similares en el tiempo y temática, es decir, son subconjuntos de un Data Warehouse de un área específica del negocio para ayudarle a la toma de decisiones.

ABRIL 2015

30

BILL INMON

• Bill Inmon define un data warehouse en términos de las características del repositorio de datos:

• Orientado a temas.- Los datos en la base de datos están organizados de manera que todos los elementos de datos relativos al mismo evento u objeto del mundo real queden unidos entre sí.

• Variante en el tiempo.- Los cambios producidos en los datos a lo largo del tiempo quedan registrados para que los informes que se puedan generar reflejen esas variaciones.

• No volátil.- La información no se modifica ni se elimina, una vez almacenado un dato, éste se convierte en información de sólo lectura, y se mantiene para futuras consultas.

• Integrado.- La base de datos contiene los datos de todos los sistemas operacionales de la organización, y dichos datos deben ser consistentes.

ABRIL 2015

31

METODOLOGÍA TOP DOWN

ABRIL 2015

32

RALPH KIMBALL

• Ralph Kimball define un almacén de datos como: "una copia de las transacciones de datos específicamente estructurada para la consulta y el análisis”.

ABRIL 2015

33

METODOLOGÍA BOTTOM-UP

ABRIL 2015

34

INMON VS KIMBALL

• Es muy difícil de decantarse por uno por otro.

• En los proyectos de BI típicos, normalmente se empieza por el modelo de Kimball creando Datamarts de los departamentos debido a presupuestos ajustados, desconfianza o como punto de entrada.

• A medida que una organización crece en BI, lo mejor sería pasar a Immon para ahorrar mantenimiento de etl, crear un repositorio único, etc…

ABRIL 2015

35

MODELADO: ESQUEMA EN ESTRELLA (OLAP)• Se compone:

• Dimensiones

• Hechos

• OLAP (On-Line

Analytical Processing)Ventas

Producto

Tiempo

Cliente

Tienda

ABRIL 2015

36

HECHOS

• ¿Qué queremos medir?

• Euros, unidades, coste, litros, kilos…

• Normalmente se almacenan datos agregados.

• Esto no es una copia de nuestros sistemas es para analizar!!

• La granuladidad de las medidas es crítica, siempre hay que pensar el nivel más detallado que queremos analizar

ABRIL 2015

37

SELECCIÓN DE MEDIDAS

Imagen de Gerd LeonardABRIL 2015

38

DIMENSIÓN

• ¿Qué queremos analizar?

• Tiempo, Tienda, Producto, Cliente, …

• Contienen los descriptores de los hechos

• Pueden ser jerarquías

Tiempo

Año

Mes

Día

Tienda

País

Provincia

Tienda

ABRIL 2015

39

EJERCICIO• Identificar Dimensiones (Jerarquías) y Hechos

Datos Empresa/Profesional, etc Cliente Fecha Pedido Nº FacturaVendedor Vendedor 1

Cliente 1 12/12/2015 10:10 465132

Tienda Tienda Madrid

Código artículo Artículo/Concepto/Descripción/etc. Unidades Precio Unidad

Descuento Descuento total Total

%

A001 Grupo A: Descripción producto A001 4 1.000,00 8,00% 80 3920

A002 Grupo A: Descripción producto A002 2 1.500,00 5,00% 75 2925

A003 Grupo A: Descripción producto A003 3 2.000,00 4,80% 96 5904

B001 Grupo B: Descripción producto B001 3 3.000,00 4,40% 132 8868

B002 Grupo B: Descripción producto B002 2 4.000,00 4,00% 160 7840

C001 Grupo C: Descripción producto C001 3 4.500,00 3,80% 171 13329

Total Bruto 42.786,00

I.V.A. % 21% 8.985,06

Suma total       51.771,06 €

ABRIL 2015

40

KEY PERFORMANCE INDICATOR• KPI o Indicador Clave de Desempeño

• Son medidas financieras o no financieras

• Identificar las necesidades de información y luego diseñar los indicadores más apropiados para evaluar el desempeño

• S.M.A.R.T.

• eSpecíficos

• Medibles

• Alcanzables

• Relevantes

• Temporales

ABRIL 2015

41

TIPOS DE HECHOS

• Transacción

• Un evento que ha ocurrido en un instante de tiempo, una fila por ocurrencia

• Una compra, venta, una velocidad, temperatura

• Periodic Snapshot

• Se toma una fotografía, al final de un periodo de tiempo, multiples filas

• Balances, estados de cuenta, inventarios….

• Acumulating SnapShot

• Se va modificando el status de una fila a lo largo del tiempo. Múltiples filas.

• Suele llevar una marca de tiempo

ABRIL 2015

42

TIPOS DE DIMENSIONES (I)

• SCD. Slowly Changing Dimensions

• Tipo 1, se sobreescriben los valores.

• Tipo 2, se incluye una nueva línea.

• Tipo 3, se incluye una columna para conservar el valor original o anterior.

• Tipo 4, la dimensión sería tipo 1 pero se tabla una tabla con el histórico.

• Tipo 6, combinación de los tipos 1, 2 y 3.

ABRIL 2015

43

TIPOS DE DIMENSIONES (II)• Esquema Copo de Nieve (Snowflake)

• Se normalizan las dimensiones para extraer los atributos redundantes a una nueva tabla.

Tienda

País

Provincia

TiendaHecho

Tienda

Tienda

Hecho

Provincia

Provincia

País

País

ABRIL 2015

44

TIPOS DE DIMENSIONES (III)• Dimensión degenerada

• Cada fila en la tabla de hechos es un “documento”

• Número de factura, de orden, etc..

• Parent – Child Dimensions

• Manejar dimensiones recursivas que tienen profundidad variable

• Dimension Role-Playing

• Una misma dimensión aparece varias veces en la misma tabla de hechos.

• Junk Dimensions

• Flags e indicadores de baja cardinalidad

• En la tabla de hechos aumentaría mucho la granularidad.

• Se combinan en una dimensión.

ABRIL 2015

45

OPERACIONES TÍPICAS EN OLAP• Roll up (drill-up): resumir los datos

• Subiendo por la jerarquía o por reducción de dimensiones.

• Drill down (roll down): Inverso al roll-up

• Desde los niveles superior a los de más detalle o introducciendo unas nuevas dimensiones.

• Slice and dice

• Seleccionar. Y proyectar.

• Pivot (rotate)

• Reorientar el cubo.

• Otras operaciones:

• drill across: involucrar más de un cubo a través de una medida en común.

• drill through: ver el detalle en las tablas.

ABRIL 2015

46

MODELADO: ACTIVE DATA WAREHOUSE (OLTP)• Active Data Warehousing es otro tipo de modelo de nuestro Data

Warehouse en este caso lo que nos basamos en la captura de las transacciones cuando estas ocurren y las integramos en nuestro Data Warehouse. Esto nos proporcionada las posibilidad de automatizar tareas rutinarias y decisiones.

ABRIL 2015

47

DIFERENCIAS ENTRE OLTP VS OLAP  Sistemas OLTP Sistemas OLAP

Objetivo Garantizar la consistencia de los datos. Consolidar los datos ya validados y adecuados a las necesidades para la toma de decisiones.

Orientación Orientado a la aplicación, hace cumplir las reglas del negocio.

Orientado al sujeto, se define en base a lo que el analista necesita ver.

Vigencia de los datos

Los datos se usan a medida que se van produciendo y dejan de ser importantes a corto plazo.

Se guardan los datos actuales y los históricos para poder realizar análisis comparativos.

Granularidad de datos

Es dada por controles definidos por la organización, así como por normas legales importantes.

Estará dado por el tipo de análisis que se requiera analizar.

Organización Es normalizado. Se basa en estructuras jerárquicas desnormalizadas modeladas de acuerdo a como se analizaran los datos.

ABRIL 2015

48

INTEGRACIÓN DE DATOS

• Procesos ETL (Extract, Transform & Load):

• Extraer datos de múltiples fuentes

• Transformar los datos

• Comprobamos la calidad del dato.

• Limpiamos y/o normalizamos los datos.

• Unificamos conceptos.

• Cargar los datos en un DW

ABRIL 2015

49

CREAR UN MODELO DE BI

ABRIL 2015

Clientes

Oferta

Contrato Actividad CampañaProductos

50

BUSINESS ANALYTICS

ABRIL 2015

51

DEFINICIÓN

• Business analytics se compone de las soluciones utilizadas para construir los modelos de análisis y simulaciones para crear escenarios, entender las realidades y predecir los estados futuros. Business analytics incluye la minería de datos, análisis predictivo, análisis aplicadas y las estadísticas, y se entrega como una aplicación adecuada para un usuario de negocios. Estas soluciones de análisis a menudo vienen con las industrias de contenido creado previamente que se dirige a un proceso de negocio de la industria (por ejemplo, los reclamos, suscripción o un requisito reglamentario específico).

ABRIL 2015

52

MODELOS DESCRIPTIVOS VS PREDICTIVOS• Modelos descriptivos

• Dado un conjunto de variables sobre unos datos de una empresa, pretendemos buscar en ellos características relevantes o segmentar los datos en grupos

• Modelos predictivos

• Dado un conjunto de variables sobre unos datos, pretendemos aquí predecir una variable especial que depende de alguna del conjunto de datos inicial. El objetivo es “aprender” un modelo que nos permita adivinar la etiqueta a partir de las relaciones encontradas en el pasado.

ABRIL 2015

¿QUÉ ES DATA MINING?

• Data mining• Descubrimiento de Conocimiento desde los Datos

• Extracción de patrones triviales o no triviales, desconocidos y potencialemente útiles de una gran cantidad de datos.

• Otros nombres• Knowledge discovery in databases (KDD), knowledge extraction,

data/pattern analysis, data archeology, data dredging, information harvesting, business intelligence, etc.

ABRIL 201553

54

FUNCIONALIDADES I

• Descripción concepto multidimensional: Caracterización y la discriminación

• Generalizada, resumir y características de los datos de contraste

• Patrones frecuentes, asociación, correlación vs. casualidad.

• Pañal Beer [0,5%, 75%], Educación Ingresos

• La clasificación y predicción

• Construir modelos que describen y distinguir clases o conceptos para la futura predicción

• Por ejemplo:

• clasificar a los países sobre la base de (economía), automóviles basado en (rendimiento de la gasolina), noticias de internet (Google News), producto (Amazon)

• Predecir el precio de las acciones, atasco de tráfico

ABRIL 2015

55

FUNCIONALIDADES II

• El análisis de agrupaciones

• Maximizar similitud del grupo y minimizando similitud entre grupos

• Ánálisis de valores atípicos (Outlier)

• Objeto de datos que no cumpla con el comportamiento general de los datos: valores atípicos

• ¿Ruido o excepción? Útil en la detección del fraude, el análisis de eventos raros

• El análisis de tendencias y la evolución

• Tendencia y desviación: las encuestas políticas.

• Minería de secuencias: la minería de vídeo -> identificar objetos

• Análisis Periodicidad: el cambio climático

• Basado en el análisis de similaridad

ABRIL 2015

EJEMPO: ANÁLISIS DEL MERCADO I• ¿De dónde sacamos los datos?

• Tarjeta de crédito, tarjetas de fidelización, cupones de descuento, queja de un cliente llama, además de estudios publicos sociodemográficos.

• Público Objetivo

• Encuentra grupos de clientes "modelo" que comparten las mismas características: el interés, nivel de ingresos, hábitos de consumo, etc.

• Determinar los patrones de compra de los clientes a través del tiempo

• Venta cruzada

• Buscar asociaciones entre las ventas de productos y predicen basa en dicha asociación

ABRIL 201556

EJEMPO: ANÁLISIS DEL MERCADO II• Perfil del Cliente

• ¿Qué tipo de clientes compra qué tipo de productos?

• Análisis de las necesidades del cliente

• Identificar los mejores productos para los diferentes grupos de clientes

• Predecir qué factores van a atraer nuevos clientes

• Provisión de información resumida

• Informes resumidos multidimensionales

• Resumen estadístico de información (datos de tendencia central y de variación)

ABRIL 201557

DESCUBRIMIENTO DE CONOCIMIENTO

ABRIL 201558

ÁRBOLES DE DECISIÓN I

• Son modelos estadísticos en los que interesa explicar una variable dependiente cualitativa (en nuestro caso binaria) en función de varias variables explicativas.

• Consiste en clasificar a los individuos en grupos de comportamiento diferente discriminando por las variables de entrada.

• Es una técnica de modelización supervisada.

• Beneficios:

• Su principal virtud es que son entendibles y explicables.

• Buena capacidad predictiva con variables categóricas.

• Alta flexibilidad

• Muy fáciles de implementar, mantener y revisar.

ABRIL 201559

60

ÁRBOLES DE DECISIÓN II

ABRIL 2015

61

CLÚSTER (SEGMENTACIÓN) I• Se utiliza para la identificación automática de las agrupaciones

naturales de las cosas

• Parte de la familia de aprendizaje de máquinas

• Emplear aprendizaje no supervisado

• También conocida como la segmentación

ABRIL 2015

CLÚSTER (SEGMENTACIÓN) II

62 ABRIL 2015

CLÚSTER (SEGMENTACIÓN) III

• Pueden ser utilizados para

• Identificar agrupaciones naturales de clientes.

• Identificar las normas para la asignación de nuevos casos a su grupo.

• Proporcionar caracterización, definición, etiquetado de las poblaciones.

• Disminuir el tamaño y la complejidad de los problemas.

• Identificar los valores atípicos en un dominio específico.

63 ABRIL 2015

SOCIAL MEDIA

• Experiencia personal y opiniones sobre cualquier cosa en revistas, foros, blogs, twitter.

• Publicaciones en redes sociales, Facebook.

• Comentarios sobre artículos, temas, tópicos, críticas.

• Se convierte en la VOZ DEL CLIENTE:

• Nos propociona información útil del feedback del cliente.

• Está disponible y suele ser gratuita.

• Este análisis es muy parecido al que nos puede proporcionar los investigadores de mercado pero este es a tiempo real.

64 ABRIL 2015

ANÁLISIS DEL SENTIMIENTO• Sentimiento

• Un pensamiento, una vista o actitud, especialmente uno basado principalmente en la emoción en lugar de la razón

• Análisis del Sentimiento

• Opinion Mining

• Se usan técnicas de procesamiento del lenguaje natural (NLP) y técnicas computacionales para automatizar la extracción y clasificación de sentimiento de texto normalmente no estructurada

65 ABRIL 2015

ANÁLISIS DEL SENTIMIENTO• ¿Cómo interpretar las características para la detección de emociones?

• Bolsa de palabras (IR)

• Léxicos anotados (WordNet, SentiWordNet)

• Patrones sintácticos

• ¿Qué características usar?

• Palabras (n gramos)

• Frases / n-gramas

• Sentencias

66 ABRIL 2015

67

VISUALIZACIÓN DE DATOS

ABRIL 2015

68

• Cuadros de Mando

• La necesidad de ejecutar, controlar y gestionar los procesos de una organización genera y consume cantidades ingentes de datos, eso lleva a la creación de sistemas de toma de decisiones con reporting, pivots, métricas, índices,…

• No todo el mundo debe usar todos y cada uno de los elementos. Al menos no todo el tiempo.

• Los CdM son una representación simplificada de un conjunto de indicadores que nos dan una idea de cómo se está comportando un área o un proceso de nuestra empresa

VISUALIZACIÓN DE DATOS

ABRIL 2015

69

• Existen muchos tipos de clasificación.

• ¿Cuándo se usan unos u otros?

Soportados por un modelo teórico

• BSC

• EFQM

Referentes a conceptos de la organización

• KPI vs. KGI

•Se pueden dividir en operacionales, tácticos y estratégicos

CLASIFICACIÓN

ABRIL 2015

70

• EFQM

• Fundación europea para el control de calidad

• El uso principal del modelo es la autoevaluación , de la que se obtiene un conjunto de puntos fuertes y otro de áreas susceptibles de mejora .

• Se construye un plan de acción

tendente a mantener resultados y

realizar las mejoras correspondientes

• La EFQM concede anualmente el

Premio Europeo a la Excelencia

EFQM

ABRIL 2015

71

EJEMPLO EFQM

ABRIL 2015

BALANCED SCORECARD I

• La medición del rendimiento y la metodología de gestión que ayuda a traducir las finanzas, los clientes, los procesos internos y los objetivos de aprendizaje y crecimiento en un conjunto de iniciativas viables

• "The Balanced Scorecard: Measures That Drive Performance”

(HBR, 1992)

72 ABRIL 2015

73

BALANCED SCORECARD II

• Perspectivas:

• Financiera

• Basados en la contabilidad de la empresa.

• Ej: Rentabilidad, margen operativo, facturación, …

• Cliente

• Los KPIs dependerán del tipo de actividad de la empresa pero basados principalmente en entrevistas y encuestas

• Ej: Grado de Satisfacción, % Reclamaciones, Interacciones, Tiempos de servicio, Calidad del servicio, …

• Procesos

• Operaciones, gestión de clientes, RSC, …

• Ej: tiempo medio, calidad, coste, captación de clientes, …

• Innovación

• Mejoras, crear valor e innovar

• Ej: time-to-market, ciclo de vida de productos, desarrollo de nuevos productos, …

ABRIL 2015

BALANCED SCORECARD III

74 ABRIL 2015

75

CDM - OPERACIONAL I

• Cuadro de mando operacional

• De respuesta rápida.

• Gráficos y tablas simples

• Capacidad de atracción de la atención ante eventos (avisan de errores o anomalías)

• Alto nivel de detalle

• Proveen un único nivel más de profundidad, que suele enlazar con el operacional (si no ataca a este directamente). Informes tabulares

ABRIL 2015

76

CDM - OPERACIONAL II

ABRIL 2015

77

CDM – TÁCTICO I

• Cuadro de mando táctico

• Mas contextualizado, comparativo e histórico

• Datos consolidados que no cambian en un periodo de tiempo largo

• Visualizaciones mas complejas (perfil mas lato)

• Permiten exploración para aclarar las causas (no los detalles)

• Suelen enlazar con otros cuadros de mando y OLAP.

ABRIL 2015

78

CDM – TÁCTICO II

ABRIL 2015

79

CDM – ESTRATÉGICO I

• Cuadro de mando estratégico

• Se centran en indicadores de alto nivel que permitan evaluar tendencias

• No suelen contener mucha información (ranking, etc…)

• Tipos de gráficos muy simples

• Los datos se basan en snapshots

• No aportan mucha interacción

ABRIL 2015

80

CDM – ESTRATÉGICO II

ABRIL 2015

81

• Medida del éxito: Que el cuadro de mando se está utilizando.

• responde a la necesidad informacional que se planteaba

• es rápido y accesible (usable)

• permite hacer inferencia de información (profundidad de análisis)

• en mayor o menos medida, es “bonito”

¿QUÉ ES IMPORTANTE?

ABRIL 2015

82

ERRORES A EVITAR I

• Exceder los límites de una pantalla

• Se tiene que ver todo lo que se necesite ver, de una vez, para que se puedan producir inferencias o descubrir patrones

ABRIL 2015

83

ERRORES A EVITAR II

• Descontextualizar la información

• La cantidad que se muestra ¿con que se compara?¿es buena o mala?

ABRIL 2015

84

ERRORES A EVITAR III

• Mostrar mucho detalle (o precisión), o mucha variedad.

• Elegir medidas no representativas (usuario)

ABRIL 2015

85

ERRORES A EVITAR IV

• Elegir la gráfica inapropiada

ABRIL 2015

86

ERRORES A EVITAR V

ABRIL 2015

87

ERRORES A EVITAR VI

ABRIL 2015

88

ERRORES A EVITAR VII

• El eje sobre el que lo miramos es muy importante

ABRIL 2015

Ejemplo1 Ejemplo2

89

ERRORES A EVITAR VIII

ABRIL 2015

49

50

51

Ejemplo1

0

50

100

Ejemplo2

90

• Añadir decoración innecesaria (non-data pixels)

• Utilizar color y saturación excesivamente

ERRORES A EVITAR IX

ABRIL 2015